AI 开始碰那些不能轻易重来的决定，
真正难的是把责任留在桌面上。
这一期从志愿填报、股市、价格、实验室和多 Agent 工作台看五个边界

高考结束后的那十几天，本来就不是一个适合“先试试看”的场景。分数还没出来，家长和孩子先要补规则、看城市、问专业，再决定冲稳保怎么排。阿里这次把高考志愿做成 Agent，最醒目的地方不是“AI 帮你选学校”，而是它试图把这个过程拆成每天能推进的小节点。量子位 6 月 11 日的报道里提到，千问的高考志愿填报 Agent 把任务分成志愿日历、志愿报告和志愿问答三块，先帮考生补时间线，再根据兴趣、城市偏好、专业方向不断追问，最后生成一份 15 到 40 页的报告。

这和前几年常见的志愿推荐工具不太一样。传统产品更像计算器：输入分数、省份、选科，吐出一串学校名单。阿里这次押注的是“全周期”。夸克官网上把高考功能写得很直白：智能选志愿、查大学查专业、AI 志愿报告。量子位补了更细的后台信息：知识库覆盖近 3000 所高校、2000 多个专业，Agent 可调用 49 项细分 Skills 做检索、位次换算、就业数据调取，推荐数据还能回溯来源。换句话说，它卖的不是一句答案，而是一条能被反复检查的工作流。

但也正因为场景太重，它比外卖、打车、旅行规划都更难糊弄。高考志愿的问题不是“有没有建议”，而是建议错了谁负责。报道里阿里提到，他们先用 40 万种模拟考生组合做压测，尽量测出离谱推荐、漏报学校和异常输入下的风险。这是个对的方向，不过还不够。真实家庭的难点不只在分数匹配，还在价值观冲突：要不要离家近，专业优先还是学校优先，考公、考研、就业、城市生活到底谁权重大。这些分歧，Agent 只能逼你说清，不能替你承担后果。

中国语境里的特殊性也很强。高考志愿本来就是信息差极重的市场，线下规划师贵，质量参差，很多县域家庭过去靠的是亲戚、老师和论坛经验。阿里把它往公共服务方向讲，确实抓住了一个真需求。可它的风险也在这里：一旦用户把“报告有来源”误读成“结论就可靠”，工具就会从减轻信息不对称，滑向替家庭做价值排序。最危险的不是幻觉胡说，而是它给出一份看起来很完整、其实把某些假设偷偷写死的方案。

我的判断是，这种 Agent 现在值得试，但只能把它当第二脑，不是代办人。最合适的用法，是让它替你列规则、补学校和专业背景、把冲稳保方案做成几套可比较的表，再由家里人自己决定排序。如果你发现它开始主动替你回答“什么学校算好”“哪种人生更值”，就该停下来。高考志愿最稀缺的，不是推荐，而是把偏好讲清。AI 可以帮你把话说完整，不能替你承担那张表交上去之后的四年。

过去一年，很多 AI 金融产品都在做一件相对安全的事：解释账单、回答问题、帮你看市场。Robinhood 这次往前迈了一步。它在官网首页直接写着“Send your agent to the market”，并把 Agentic Trading 和 Agentic Credit Card 摆在最显眼的位置。意思很简单：给你的 AI 一个专门账户去交易股票，再给它一张受控的虚拟信用卡去下单、订票或购物。你在 App 里看它做了什么，必要时再停掉。

这不是把聊天机器人换个名字。它碰的是权限。Robinhood 新闻页对新功能的描述也很直白：用户可以接入自己的 AI agents，让它们帮助管理和自动化交易与信用卡购买，并加上安全控制。The Verge 的报道提到，股票交易先只支持 equities，信用卡则是虚拟卡和可设限额的形式。也就是说，Robinhood 很清楚用户现在还不敢把整套金融生活交出去，所以先把风险压在几个边界里：单独账户、股票优先、虚拟卡优先、随时暂停。

即便这样，风险也不小。和“AI 帮我解释报税规则”不同，代理一旦执行下去，就会真的买入、卖出、刷卡。金融场景的危险从来不只是亏钱，还包括你不知道它为什么这么做。一个代理把半导体权重提上去，也许是读到了一条新闻；也许是误解了你的指令；也许只是把你上次说过的一句“我看好 AI”当成长期偏好。Robinhood 的分层设计至少承认了这一点：你必须给它专用预算，必须接收提醒，也必须接受“可能赔光”。这比很多空泛的 AI 理财宣传诚实得多。

从普通用户视角，这件事真正有意思的地方，不是要不要用它炒股，而是金融 Agent 会怎么切入生活。Robinhood 把交易和信用卡支付放在一起，等于默认代理未来不只会管投资组合，还会管消费动作。今天它只是买股票、设购物条件，明天就可能去做再平衡、报销、旅行预订、自动续费筛查。权限一旦打开，AI 就不再只是解释世界，而是会开始在你的资金账户里动手。

我的判断是，大多数人现在不该把它当赚钱工具，而该把它当边界实验。最适合的第一步，是拿一小笔明确可承受损失的钱，做单主题、低频、可随时中断的实验，比如只看一篮子 ETF，或只让它在固定预算内找机票。不适合的，是让它碰融资、期权、加密货币、信用卡循环债务，或者任何你自己都说不清止损条件的事情。金融 Agent 会越来越多，但“让它替我做决定”和“让它替我持续监控条件”是两回事。现在值得试的是后者。

很多人提到多 Agent，脑子里浮现的是一堆角色分工：研究员、写手、审稿人、项目经理。MiniMax 这次把它讲得更接地气。它在 5 月 27 日的更新里先承认一个很具体的问题：单个 Agent 做长任务时，经常做着做着就停下，开始问你“要不要继续”；就算不停车，也容易越做越偏，前面一处跑歪，后面整条链都跟着歪。它把升级后的产品叫 Mavis，并把 Agent Team 的意义说成一句大白话：让复杂任务不再全压在一个助手身上。

这个判断比很多“多 Agent 是未来”的空话都重要。MiniMax 的文章里把问题拆得很明白：单 Agent 最大的矛盾，是既当选手又当裁判。它负责找资料、写内容、排版、验收，最后还要说自己做得不错。结果就是用户始终在补位，像盯一个很能干但很容易走神的同事。Agent Team 试图把这件事改成流程：主 Agent 先收任务，再把可并行的部分拆开，交给不同角色跑；关键节点才回来汇报，必要时再让验证环节和记忆系统接手。

为什么这件事现在值得看？因为它不只是一种交互升级，也是一种计费和能力打包方式的变化。MiniMax 同时把 TokenPlan 和 Agent Plan 合并，官网还把 Code、Token Plan、Desktop 都放进同一套产品叙事里。这说明平台已经不把 Agent 当一次性对话产品看了，而是把它当持续执行的工作台。另一篇 M3 文章里，MiniMax 展示了模型长线程执行的案例：重现实验、长时间调 CUDA kernel、几十上百次 benchmark 提交。这些不是“聊得更好”能解决的，而是要靠上下文隔离、并行执行和长周期状态管理。

对普通用户，这背后真正有迁移价值的不是代码，而是你以后怎么挑 Agent 产品。一个产品如果只是号称能做复杂任务，却没有告诉你它怎么处理中途停顿、怎么做验收、怎么记录经验、怎么让你随时插话改方向，那它多半还是个会写长消息的单 Agent。MiniMax 这次公开讲清楚‘什么时候需要 Team，什么时候不需要’，反而让人更信服。不是每件事都要开团队。短任务、一次性润色、简单问答，单 Agent 更快；只有当任务要跨资料、跨格式、跨几个小时甚至几天时，多 Agent 才开始有意义。

我的判断是，这个方向现在值得认真观察，也值得在你自己的工作流里照着学，但不一定非要用 MiniMax。你可以先做一个更低成本的动作：把自己最常做的一类长任务拆成三段，谁找资料，谁检查来源，谁决定交付标准。只要这三件事还都靠同一个窗口一次性完成，所谓 Agent 再聪明，你还是得陪跑。多 Agent 的真正价值，不是它替你多做一步，而是它让你少盯很多步。

AI for Science 过去两年有个常见画面：模型把论文读得更快，把候选分子排得更漂亮，再把结果做成一页炫目的图。Qumus 不一样。它讲的不是“帮你看懂实验”，而是“把实验本身跑起来”。论文把它定义成一个量子材料 experimentalist：在一个机器人迷你实验室里，系统自己从假设生成开始，往下走到协议规划、多步实验执行、结果分析和最终报告。作者声称，它已经完成了 AI-creation of graphene，以及一些更复杂的二维材料器件制备。

这里真正的新意，不是又一个多 Agent 框架，而是它开始碰物理世界里的误差。数字空间里的 Agent 做错了，顶多重跑一遍；实验室里的错误会碰到设备、材料和时间成本。Qumus 的论文把闭环纠错当成核心卖点：它一边看显微图像和过程结果，一边根据反馈改下一步动作。这个细节很重要，因为科研自动化的门槛从来不只是推理能力，而是你能不能在现实环境里承认自己做错了，然后返工。

但也别把它读成‘AI 科学家来了，人类研究员要退场’。先看对象定义。Qumus 针对的是一个高度可控、设备与流程都能标准化的量子材料微型实验室，不是开放世界里的通用化学家。它能做的，是在很具体的实验环境里执行一整条研究链。再看证据边界：现阶段公开资料主要来自论文本身，还缺少独立团队的大规模复现、长期失败统计和成本分析。论文里的成功案例很亮眼，外部验证还不够。

即便如此，这仍然是本期最值得保留的一条意外选题。原因很简单：它逼我们重新理解‘AI for Science’到底在比什么。过去的比赛像谁更会回答科学问题，现在更像谁能把观测、执行、记录、修正写进一套真实流程。SAE 关于 embodied AI 的白皮书也在强调同一件事：物理世界的 AI 不是模型 demo，而是系统工程，里面有安全、信任、生命周期治理和人机分工。

我的判断是，这不是普通读者该立刻去试的产品，而是一条该尽早校准的能力曲线。别再把 AI for Science 只想成论文搜索或药物筛选界面了。下一步真正值钱的部分，可能是那些能把实验变成可执行工作流、还能留下可审计记录的系统。现在最合适的动作不是‘去买一个科学 Agent’，而是记住一个判断：只会给答案的 AI，和能在现实环境里承受误差并返工的 AI，不是同一种东西。

大多数人提到 AI 影响钱包，先想到的是投资顾问、理财助手，或者机器人交易。可更早落地、也更难察觉的，也许是价格本身。Maryland 4 月底通过限制 surveillance pricing 的法案，成了美国第一个在超市和配送服务上动手的州。所谓 surveillance pricing，说白了就是平台和商家根据你的位置、浏览记录、购买习惯甚至设备行为，判断你愿意付多少钱，再悄悄给你一个不完全相同的价格。

这件事真正不舒服的地方，是它不像推荐算法那样显眼。你看不到系统怎么给你画像，也看不到别人眼里的同一件商品是多少钱。Guardian 的报道提到，Maryland 的法案重点限制商家利用个人数据抬高价格；同时，纽约州和纽约市也在推进更激进的版本。支持者把它说成价格公平，反对者则强调，如果规则太宽，个性化优惠、忠诚度折扣、唤回券也可能一起被打掉。Times Union 和 New York Post 报道的，正是这一层争议。

这类立法有意思，恰好说明 AI 定价的真正冲突不在技术，而在定义。什么叫不公平的个性化提价？什么又只是常见的促销？如果商家先把标价抬高，再给不同用户发不同优惠券，结果可能和直接涨价差不多。Maryland 的法案被批评的地方也在这里：它迈出了第一步，但仍有豁免和执法漏洞。也就是说，监管开始承认问题存在，但还远没摸到最难的边界。

对中国读者，这不是隔岸观火。国内零售、外卖、酒旅、打车、电商都在做精细化运营，价格和优惠本来就越来越因人而异。区别只是，我们平常把它叫‘会员价’‘补贴策略’‘千人千券’，不一定会用 surveillance pricing 这个词。可当电子价签、实时定价和行为画像越来越细，普通消费者面对的就不只是会不会薅到便宜，而是你是不是默认接受了“同一件东西，不同人看到不同价”。

我的判断是，这类题目现在不需要你立刻做复杂操作，但需要你尽早建立一个习惯：把价格问题当成信息问题，而不是只当促销问题。遇到高额消费，至少做一次交叉检查，用不同账号、不同设备、无痕模式或比价平台看一遍；对长期订阅和刚需品，更要警惕‘只对你生效的优惠’。AI 定价不是未来才会来的怪物，它已经在很多平台的运营逻辑里了。问题不是它会不会更聪明，而是我们什么时候才会把“看不见的价格差”当成该认真讨论的消费者权利。